【数据挖掘】网格聚类STING、概念聚类COBWEB和模糊聚类的讲解(图文解释)

简介: 【数据挖掘】网格聚类STING、概念聚类COBWEB和模糊聚类的讲解(图文解释)

需要完整PPT请点赞关注收藏后评论区留言私信~~~

除了常用的划分聚类、层次聚类和密度聚类方法之外,还有一些聚类方法如网格聚类方法STING、概念聚类COBWEB和模糊聚类方法等

1.STING算法

STING(Statistical Information Grid_based Method)是一种基于网格的多分辨率的聚类技术,它将输入对象的空间区域划分成矩形单元,空间可以用分层和递归方法进行划分。这种多层矩形单元对应不同的分辨率,并且形成一个层次结构,每个高层单元被划分为低一层的单元。有关每个网格单元的属性的统计信息(如均值、最大值和最小值)被作为统计参数预先计算和存储

STING算法采用了一种多分辨率的方法进行聚类分析,该聚类算法的质量取决于网格结构最底层的粒度,如果粒度较细,处理的代价会显著增加,但如果粒度较粗,则聚类质量会受到影响

STING算法效率高,通过对数据集扫描一次计算单元的统计信息,因此产生聚类的时间复杂度为O(N),在建立层次结构以后,查询的时间复杂度为O(g) g<<n

2.COBWEB模糊聚类

概念聚类是机器学习中的一种聚类算法。大多数的概念聚类方法采用了统计学方法,在决定概念或聚类时使用概率度量。COBWEB算法即简单增量概念聚类算法,以一个分类树的形式创建层次聚类,它的输入对象用分类属性-值对进行描述

分类树和判定树不同,分类树中的每个节点对应一个概念,包含该概念的一个概率描述,概述被分在该节点下的对象,概率描述包括概念和等条件概率

3 .模糊聚类

前面介绍的几种聚类算法可以导出确定的类,即一个数据点最多仅属于一个类,具有非此即彼的性质,这些聚类方法称为确定性分类或者硬划分,而实际上大多数对象并没有严格的所属关系,具有互相包含的关系,因此适合软划分

FCM算法流程图描述如下

FCM算法是一种梯度下降优化算法 对初始值非常敏感并且容易获得局部最优解

创作不易 觉得有帮助请点赞关注收藏~~~

相关文章
|
4月前
|
运维 安全 数据挖掘
【数据挖掘】离群点概念、类型、检测的挑战概述(图文解释 超详细)
【数据挖掘】离群点概念、类型、检测的挑战概述(图文解释 超详细)
137 0
|
4月前
|
机器学习/深度学习 算法 数据挖掘
【数据挖掘】神经网络与感知机基础概念讲解(图文解释 超详细)
【数据挖掘】神经网络与感知机基础概念讲解(图文解释 超详细)
32 0
【数据挖掘】神经网络与感知机基础概念讲解(图文解释 超详细)
|
4月前
|
算法 数据挖掘 Python
【数据挖掘】层次聚类DIANA、AGNES算法讲解及实战应用(图文解释 超详细)
【数据挖掘】层次聚类DIANA、AGNES算法讲解及实战应用(图文解释 超详细)
101 0
|
4月前
|
编解码 算法 数据挖掘
【数据挖掘】聚类趋势估计、簇数确定、质量测定等评估方法详解(图文解释 超详细)
【数据挖掘】聚类趋势估计、簇数确定、质量测定等评估方法详解(图文解释 超详细)
45 0
|
4月前
|
算法 数据可视化 数据挖掘
【数据挖掘】密度聚类DBSCAN讲解及实战应用(图文解释 附源码)
【数据挖掘】密度聚类DBSCAN讲解及实战应用(图文解释 附源码)
136 1
|
2月前
|
数据采集 算法 搜索推荐
数据挖掘实战:基于KMeans算法对超市客户进行聚类分群
数据挖掘实战:基于KMeans算法对超市客户进行聚类分群
124 0
|
4月前
|
机器学习/深度学习 自然语言处理 数据可视化
【Python百宝箱】数据科学的黄金三角:数据挖掘和聚类
【Python百宝箱】数据科学的黄金三角:数据挖掘和聚类
167 2